Den Lightning Trainer starten

Jetzt, wo du dein Modell definiert hast, kannst du den Lightning- Trainer so einrichten, dass ein Trainingslauf durchläuft. Diese Übung hilft dir dabei, zu verstehen, wie du dein Modell, deine Datenlader und deine Trainingskonfigurationen integrieren kannst. Bevor du mit fortgeschritteneren Trainingsschritten weitermachst, solltest du diese Einrichtung unbedingt beherrschen.

Die Dateien „ torch “ und „ lightning.pytorch “, importiert als „ pl “, wurden bereits für dich vorinstalliert. Ein „ model ” wurde schon mit der Klasse, die du in der letzten Übung gemacht hast, gestartet.

Diese Übung ist Teil des Kurses

<Kurs>Skalierbare KI-Modelle mit PyTorch Lightning</Kurs>

Übungsanweisungen

Konfigurier das „ Trainer “ mit 3 Epochen.
Starte einen Trainingslauf mit dem vordefinierten „ model “.

Interaktive praktische Übung

Versuche dich an dieser Übung, indem du diesen Beispielcode vervollständigst.

from lightning.pytorch import Trainer
# Configure the Trainer with max epochs
trainer = ____(max_epochs=____, devices=1)
# Start training with the predefined model
trainer.____(____, train_dataloader, val_dataloader)

Code bearbeiten und ausführen

Diese Übung ist Teil des Kurses

<Kurs>Skalierbare KI-Modelle mit PyTorch Lightning</Kurs>

Mittlere SchwierigkeitSchwierigkeitsgrad

4.8+

Kurs kostenlos starten

In diesem Kapitel schauen wir uns an, wie PyTorch Lightning die Entwicklung und Bereitstellung von skalierbaren KI-Modellen einfacher macht. Wir fangen mit den Grundlagen an und schauen uns dann die Kernstruktur eines PyTorch Lightning-Projekts an, einschließlich wichtiger Teile wie LightningModule und Trainer, um eine solide Basis für fortgeschrittenere KI-Lösungen zu schaffen.

Exercise 1: Einführung in PyTorch Lightning Exercise 2: Vorstellung des LightningModuls Exercise 3: Den Lightning Trainer starten

Aktuelle Übung

Exercise 4: Modelle mit LightningModule definieren Exercise 5: Verwendung des LightningModuls Exercise 6: Die init-Methode richtig anwenden Exercise 7: Die Vorwärtsmethode perfektionieren Exercise 8: Trainingslogik umsetzen Exercise 9: Durchführung des Schulungsschritts Exercise 10: Den Optimierer einrichten Exercise 11: Schulung und Bewertung

In diesem Kapitel schauen wir uns PyTorch Lightning genauer an, um Daten effizient zu verwalten und das Modelltraining zu optimieren. Wir zeigen dir, wie du mit LightningDataModule modulare und wiederverwendbare Daten-Workflows erstellst, deine Modelle durch Validierung und Tests genau bewertest und Trainingsprozesse mit Lightning Callbacks verbesserst, um die Modellverbesserung zu automatisieren und Überanpassungen zu vermeiden.

Exercise 1: Daten mit LightningDataModule verwalten Exercise 2: Daten mit LightningDataModule aufteilen Exercise 3: Erstellen eines Zug-DataLoaders Exercise 4: Validierung und Tests einbauen Exercise 5: Den Validierungsschritt machen Exercise 6: Modellgenauigkeit mit Torchmetrics checken Exercise 7: Verbesserung der Schulung mit Lightning-Callbacks Exercise 8: Blitz-Callbacks sortieren Exercise 9: Modelltraining mit Lightning optimieren

Lerne, wie du Deep-Learning-Modelle für den Einsatz in der Praxis vorbereitest, indem du sie schlanker und schneller machst. In diesem Kapitel geht's um Techniken wie dynamische Quantisierung, Pruning und TorchScript-Konvertierung, mit denen du die Modellgröße und Latenz reduzieren kannst, ohne dass die Genauigkeit leidet.

Exercise 1: Dynamische Quantisierung anwenden Exercise 2: Dynamische Quantisierung anwenden Exercise 3: Vergleich der Leistung quantisierter Modelle Exercise 4: Modellbeschneidungstechniken anwenden Exercise 5: Lineare Ebene beschneiden Exercise 6: Schließ das Beschneiden ab, indem du die Maske entfernst.Exercise 7: Modelle mit TorchScript exportieren Exercise 8: Die richtige Konvertierungsmethode auswählen Exercise 9: Modelle für Skalierbarkeit optimieren Exercise 10: Zusammenfassung: Skalierbare KI-Modelle mit PyTorch Lightning